基于持续 MAML 方法的在线自适应学习车辆动力学模型
机器人学
2024-09-24 v1
摘要
我们使用多层神经网络表示用于自动驾驶在处理极限条件下的车辆动力学模型。需要在线适应以解决未见环境的问题。然而，该模型需要在不忘记先前遇到的情况下适应新环境。在本研究中，我们应用 Continual-MAML 来克服这一困难。它通过从优化后的初始参数开始来实现对先前遇到环境的快速而高效的适应。我们评估了在推断性能和控制性能方面的在线模型适应影响，使用 TRIKart 平台上的模型预测路径积分（MPPI）控制器。该神经网络是使用在我们测试环境中收集的驾驶数据进行预训练的，而进行在线适应实验是在多个未包含在训练数据中的不同路况下执行的。实证结果表明，使用 Continual-MAML 的模型在测试集损失和 MPPI 在线跟踪性能方面均优于固定模型和使用梯度下降的方法。
引用
@article{arxiv.2409.14950,
title = {Online Adaptation of Learned Vehicle Dynamics Model with Meta-Learning Approach},
author = {Yuki Tsuchiya and Thomas Balch and Paul Drews and Guy Rosman},
journal= {arXiv preprint arXiv:2409.14950},
year = {2024}
}
备注
8 Pages, 6 Figures, IROS 2024